直达「 通往AGI之路 」飞书知识库 →
首页/问答列表/问答详情

对ai的基本了解 ai能做什么

回答

以下是对 AI 的基本了解以及其能做的事情：

AI 的基础理论：

  • 人工智能、机器学习、深度学习的定义及其之间的关系。
  • 简要回顾 AI 的发展历程和重要里程碑。

数学基础：

  • 统计学基础：熟悉均值、中位数、方差等统计概念。
  • 线性代数：了解向量、矩阵等线性代数基本概念。
  • 概率论：基础的概率论知识，如条件概率、贝叶斯定理。

算法和模型：

  • 监督学习：了解常用算法，如线性回归、决策树、支持向量机（SVM）。
  • 无监督学习：熟悉聚类、降维等算法。
  • 强化学习：简介强化学习的基本概念。

评估和调优：

  • 性能评估：了解如何评估模型性能，包括交叉验证、精确度、召回率等。
  • 模型调优：学习如何使用网格搜索等技术优化模型参数。

神经网络基础：

  • 网络结构：理解神经网络的基本结构，包括前馈网络、卷积神经网络（CNN）、循环神经网络（RNN）。
  • 激活函数：了解常用的激活函数，如 ReLU、Sigmoid、Tanh。

AI 的应用场景：

  • 医疗保健：医学影像分析、药物研发、个性化医疗、机器人辅助手术。
  • 金融服务：风控和反欺诈、信用评估、投资分析、客户服务。
  • 零售和电子商务：产品推荐、搜索和个性化、动态定价、聊天机器人。
  • 制造业：预测性维护、质量控制、供应链管理、机器人自动化。
  • 交通运输。

对于 AI 的认识，可以将其当成一个黑箱，它是某种模仿人类思维可以理解自然语言并输出自然语言的东西，其生态位是一种似人而非人的存在。在使用时，为实现愿望，需尽可能通过语言文字压缩其自由度，清晰告知任务、边界、目标、实现路径和方法，甚至直接提供所需的正确知识。

内容由 AI 大模型生成，请仔细甄别（powered by aily）

参考资料

写给不会代码的你：20分钟上手 Python + AI

[title]写给不会代码的你：20分钟上手Python + AI[heading1][heading3]如果希望继续精进...对于AI，可以尝试了解以下内容，作为基础AI背景知识基础理论：了解人工智能、机器学习、深度学习的定义及其之间的关系。历史发展：简要回顾AI的发展历程和重要里程碑。数学基础统计学基础：熟悉均值、中位数、方差等统计概念。线性代数：了解向量、矩阵等线性代数基本概念。概率论：基础的概率论知识，如条件概率、贝叶斯定理。算法和模型监督学习：了解常用算法，如线性回归、决策树、支持向量机（SVM）。无监督学习：熟悉聚类、降维等算法。强化学习：简介强化学习的基本概念。评估和调优性能评估：了解如何评估模型性能，包括交叉验证、精确度、召回率等。模型调优：学习如何使用网格搜索等技术优化模型参数。神经网络基础网络结构：理解神经网络的基本结构，包括前馈网络、卷积神经网络（CNN）、循环神经网络（RNN）。激活函数：了解常用的激活函数，如ReLU、Sigmoid、Tanh。

拘灵遣将 | 不会写 Prompt（提示词）的道士不是好律师——关于律师如何写好提示词用好 AI 这件事

[title]拘灵遣将|不会写Prompt（提示词）的道士不是好律师——关于律师如何写好提示词用好AI这件事[heading2]一、如何认识AI？AI是什么？作为一个不具备理工科背景的文科生，要搞清楚“ AI ”其实是一件很困难的事情（什么Agents、AIGC、LLM，什么符号主义、什么语义规则傻傻分不清楚），所以最好的处理方式是就把AI当成一个黑箱，我们只需要知道AI是某种模仿人类思维可以理解自然语言并输出自然语言的东西就可以。至于AI如何去理解，其实不重要。于是我们可以发现驱动AI工具和传统道教的驱神役鬼拘灵遣将有奇妙的相似之处，都是通过特定的文字、仪轨程式来引用已有资源，驱使某种可以一定方式/程度理解人类文字的异类达成自己预设的效果，且皆需要面对工具可能突破界限（发疯）的情况。当然，不熟悉道教的朋友可以把这东西理解成某种可以理解人类文字但不是人的魔法精灵/器灵之类的东西——总之，AI的生态位就是一种似人而非人的存在。AI技术再爆炸一万倍，AI的生态位也还是一种似人而非人的存在。由此，我们可以从人类各个文明的传说中，从那些古老哲人们的智慧里寻找到当下和AI、神、精灵、魔鬼这种似人非人存在相处的原则：1.当你想让祂实现愿望时，基于祂的“非人”一面，你需要尽可能的通过语言文字（足够清晰的指令）压缩祂的自由度——（1）你不仅要清晰的告诉祂需要干什么，还需要清晰的告诉祂边界在哪里。（2）你不仅要清晰的告诉祂目标是什么，还需要清晰的告诉祂实现路径方法是哪一条。（3）你不仅要清晰的告诉祂实现路径，最好还直接给到祂所需的正确的知识。

问：请问 AI 有哪些应用场景？

[title]问：请问AI有哪些应用场景？人工智能（AI）已经渗透到各行各业，并以各种形式改变着我们的生活。以下是一些人工智能的主要应用场景：1.医疗保健:医学影像分析:AI可以用于分析医学图像，例如X射线、CT扫描和MRI，以辅助诊断疾病。药物研发:AI可以用于加速药物研发过程，例如识别潜在的药物候选物和设计新的治疗方法。个性化医疗:AI可以用于分析患者数据，为每个患者提供个性化的治疗方案。机器人辅助手术:AI可以用于控制手术机器人，提高手术的精度和安全性。2.金融服务:风控和反欺诈:AI可以用于识别和阻止欺诈行为，降低金融机构的风险。信用评估:AI可以用于评估借款人的信用风险，帮助金融机构做出更好的贷款决策。投资分析:AI可以用于分析市场数据，帮助投资者做出更明智的投资决策。客户服务:AI可以用于提供24/7的客户服务，并回答客户的常见问题。3.零售和电子商务:产品推荐:AI可以用于分析客户数据，向每个客户推荐他们可能感兴趣的产品。搜索和个性化:AI可以用于改善搜索结果并为每个客户提供个性化的购物体验。动态定价:AI可以用于根据市场需求动态调整产品价格。聊天机器人:AI可以用于提供聊天机器人服务，回答客户的问题并解决他们的问题。4.制造业:预测性维护:AI可以用于预测机器故障，帮助工厂避免停机。质量控制:AI可以用于检测产品缺陷，提高产品质量。供应链管理:AI可以用于优化供应链，提高效率和降低成本。机器人自动化:AI可以用于控制工业机器人，提高生产效率。5.交通运输:

其他人在问
我在中国互联网哪里可以学到很好的ai技术
在中国互联网上，您可以通过以下途径学习很好的 AI 技术： 1. 学术论文：通过 Google Scholar、IEEE Xplore、ScienceDirect 等学术数据库搜索相关论文，了解 AI 技术的研究成果。 2. 专业书籍：查找与 AI 相关的专业书籍，深入学习 AI 知识。 3. 在线课程和教程： 参加 Coursera、edX、Udacity 等平台上的 AI 课程。 在 YouTube 等视频平台上查找教程和演示视频。 4. 技术论坛和社区： 加入如 Stack Overflow、Reddit 的 r/AI 等相关论坛和社区，与专业人士交流学习。 关注 AI 相关的博客和新闻网站，了解最新技术动态。 5. 开源项目和代码库：在 GitHub 等开源平台上探索 AI 相关项目，了解其应用和实现。 6. 企业案例研究：研究如 Autodesk、Siemens 等公司在 AI 领域的应用案例，了解实际项目中的效果。 对于新手学习 AI，您可以： 1. 了解 AI 基本概念： 阅读「」部分，熟悉术语和基础概念。 浏览入门文章，了解历史、应用和发展趋势。 2. 开始 AI 学习之旅： 在「」中找到初学者课程，推荐李宏毅老师的课程。 通过在线教育平台（如 Coursera、edX、Udacity）按自己节奏学习并获取证书。 3. 选择感兴趣的模块深入学习：AI 领域广泛，如图像、音乐、视频等，可根据兴趣选择特定模块，掌握提示词技巧。 4. 实践和尝试：实践巩固知识，使用各种产品创作，并在知识库分享实践成果。 5. 体验 AI 产品：与 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人互动，了解工作原理和交互方式。
2024-10-18
ai数字人直播
以下是关于 AI 数字人直播的相关信息： AI 数字人直播盈利方式： 1. 直接卖数字人工具软件，分为实时驱动和非实时驱动两类。实时驱动在直播时能改音频话术，真人接管，市面标准零售价一年 4 6 万往上。非实时驱动一个月 600 元，效果差，类似放视频的伪直播，市场价格混乱，存在靠发展代理割韭菜的情况。 2. 提供数字人运营服务，按直播间成交额抽佣。 AI 直播卖货适用品类和场景： 1. 适用于不需要强展示的商品，如品牌食品饮料。不适用于服装，因过品快且衣服建模成本高。 2. 适用于虚拟商品，如门票、优惠券等。 3. 不适用于促销场景，涉及主播话术、套路和调动直播间氛围能力等。 4. 电商直播分为达播跟店播，数字人直播在店播中的效果最好，数据基本能保持跟真人一样。 AI 直播的壁垒和未来市场格局： 1. 从长期看，技术上没壁垒，但目前仍有技术门槛，如更真实的对口型、更低的响应延迟等。单纯靠开源算法拼的东西，实时性、可用性不高。 2. 不会一家独大，可能有 4 5 家一线效果的公司，大多为二三线效果公司。因为它只是工具，迁移成本低。 3. 真正把客户服务好，能规模化扩张的公司更有价值。疯狂扩代理割韭菜、不考虑客户效果的公司，售后问题麻烦。 4. 有资源、有业务的大平台下场，可能会带来降维打击，例如剪映马上要做，如果不仅提供数字人，还提供货品供应链、数据复盘分析等全环节打通服务，会绑定商家，竞争难度大。 数字人简介： 数字人是指运用数字技术创造出来的人，虽现阶段不能像科幻作品中的人型机器人一样具备高度智能，但已在生活各类场景中出现，且随着 AI 技术发展迎来应用爆发。目前业界没有准确定义，一般根据技术栈不同分为两类： 1. 真人驱动的数字人：重在通过动捕设备或视觉算法还原真人动作表情，主要应用于影视行业及直播带货，表现质量与手动建模精细程度及动捕设备精密程度直接相关。随着视觉算法进步，在无昂贵动捕设备时，也可通过摄像头捕捉人体骨骼和人脸关键点信息，达到不错效果。
2024-10-18
AI在科研领域中的应用有哪些，以及国内外情况对比
AI 在科研领域中的应用广泛，特别是在医疗健康方面： 抗癌方面：AI 能够提前诊断胰腺癌，如相关研究表明其有可能提前三年做出诊断。 抗衰老方面：通过筛查大量化合物，发现高效的药物候选物，其药理学性质优于已知的抗衰老物质。 早期疾病防治方面：例如在帕金森病的研究中，利用神经网络分析患者体液中的生物标志物，可在症状出现前几年发现疾病。 发现新靶基因：两名高中生与医疗技术公司合作，借助 AI 发现了与胶质母细胞瘤相关的三个新靶基因。 寻找治疗方法：如亚利桑那大学与哈佛大学共同利用人工智能对健康神经元在疾病进展过程中的分子变化进行研究，以识别阿尔茨海默病的原因和潜在药物靶点。 国内外情况对比： 在医疗 AI 领域，中美存在较大差异。美国医疗支出占 GDP 比重约 17%，中国约 7%。美国医生独立行医，有独立决策权，议价能力和意愿较强；中国政府和医院集采议价能力强，采购流程复杂。此外，由于存在“灰色收入”“医患不信任”“考核评比”等问题，中国医院、医生对于可能记录、审查自己言行的应用普遍持抵触态度。在中国的落地场景中，“AI 协助医生”不如“AI 独立诊断”，机械套用美国的 AI 医疗应用模式在中国基本行不通。
2024-10-18
AI在科研当中的运用
AI 在科研中的运用十分广泛，特别是在医疗领域： 抗癌方面：AI 能够提前三年诊断胰腺癌，有助于尽早开展治疗。 抗衰老方面：通过筛查大量化合物，发现高效的药物候选物。 早期疾病防治方面：例如在帕金森病的第一个症状出现前几年，就可通过分析患者体液中的生物标志物进行发现。 胶质母细胞瘤研究方面：两名高中生与医疗技术公司合作，借助 AI 发现了与该癌症相关的三个新靶基因。 阿尔兹海默症治疗方面：亚利桑那大学与哈佛大学共同利用人工智能对健康神经元在疾病进展过程中的分子变化进行研究，以识别疾病的原因和潜在药物靶点。 此外，在新工业革命中，AI 正在使生物制药和医疗保健产业化，被应用于从药物设计、诊断到医疗保健交付和后勤功能的各个方面。 AI 在其他科研领域也有众多应用场景，如： 金融服务：包括风控和反欺诈、信用评估、投资分析、客户服务等。 零售和电子商务：涵盖产品推荐、搜索和个性化、动态定价、聊天机器人等。 制造业：涉及预测性维护、质量控制、供应链管理、机器人自动化等。 交通运输：（此处未给出具体应用，您可补充更多相关问题以获取更详细的信息）
2024-10-18
我打算用AI创业，你有什么建议吗
以下是关于用 AI 创业的一些建议： 1. 关注数据飞轮效应：如果打算做 ToC 场景的创业，要重视数据飞轮带来的正反馈效应，因为 C 端能带来的数据优势可能是在 AI 早期决胜的关键。 2. 探索垂直模型：有专业壁垒的垂直模型也许是机会所在，很多高价值、特定领域的工作流程依赖于丰富的专有数据集。 3. 明确产品方向：大模型产品可以朝着个性化（给它装上“记忆”，成为工作助理或陪伴者）和场景化（给它装上“手”和“眼睛”）两个方向发展。 4. 及早行动：现在就开始探索生成性 AI，提前布局的公司将来会具有优势。 5. 寻找市场空白：市场地图的某些部分已经拥挤，而其他区域仍空旷，应将努力集中在尚未探索的区域。 6. 针对不同群体的建议： 技术爱好者：从小项目开始，探索 AI 编程工具，参与 AI 社区，构建 AI 驱动的项目。 内容创作者：利用 AI 辅助头脑风暴，建立 AI 写作流程，探索多语言内容，优化 SEO。 7. 注重实践和迭代：AI 的学习和应用，用起来、有效迭代大于一切，形成正确的底层工作逻辑，按节奏确定目标和复盘。 8. 组织公司架构：AI 创业要从 AI 效率、变革的角度去组织公司架构。 9. 把握融资节奏：在当下 AI 火热的状态，创始人要把握好融资节奏。
2024-10-18
有什么比较好的AI制作视频的AI工具
以下是一些比较好的 AI 制作视频的工具： 1. Stable Diffusion（SD）：一种 AI 图像生成模型，可基于文本描述生成图像。网址：https://github.com/StabilityAI 2. Midjourney（MJ）：适用于创建小说中的场景和角色图像的 AI 图像生成工具。网址：https://www.midjourney.com 3. Adobe Firefly：Adobe 的 AI 创意工具，能生成图像和设计模板。网址：https://www.adobe.com/products/firefly.html 4. Pika AI：文本生成视频的 AI 工具，适合动画制作。网址：https://pika.art/waitlist 5. Clipfly：一站式 AI 视频生成和剪辑平台。网址：https://www.aihub.cn/tools/video/clipfly/ 6. VEED.IO：在线视频编辑工具，具有 AI 视频生成器功能。网址：https://www.veed.io/zhCN/tools/aivideo 7. 极虎漫剪：结合 Stable Diffusion 技术的小说推文视频创作提效工具。网址：https://tiger.easyartx.com/landing 8. 故事 AI 绘图：小说转视频的 AI 工具。网址：https://www.aihub.cn/tools/video/gushiai/ 此外，还有以下文字生成视频的 AI 产品： 1. Pika：擅长动画制作，并支持视频编辑。 2. SVD：可在 Stable Diffusion 图片基础上直接生成视频。 3. Runway：老牌 AI 视频生成工具，提供实时涂抹修改视频的功能，但收费。 4. Kaiber：视频转视频 AI，能将原视频转换成各种风格的视频。 5. Sora：由 OpenAI 开发，可生成长达 1 分钟以上的视频。 更多的文生视频的网站可以查看：https://www.waytoagi.com/category/38 。 如果您想创作 AI 短片，除了使用相关工具，还需要考虑故事来源。比如通过原创（直接经验），基于您或周围人的经历、做过的梦、想象的故事等；或者通过改编（间接经验），对经典 IP、名著、新闻、二创等进行改编。在剧本写作方面，虽然编剧有一定门槛，但短片创作相对简单，可从自身或朋友经历改编入手，也可对触动您的短篇故事进行改编。多与他人讨论故事，有助于修改和进步。
2024-10-18
我想针对一个自己完全不了解的行业做一份技术和市场调研，请问哪个AI工具可以满足我的要求。
以下是利用 AI 工具针对一个完全不了解的行业做技术和市场调研的方法： 1. 工具选择：可以使用 Kimi（https://kimi.moonshot.cn/），有条件的推荐使用 ChatGPT4o 等智能大模型，输出质量会更好。 2. 操作步骤： 让 AI 阅读学习：一篇您觉得优秀的行业调研报告，总结文中的方法论，输出一份“行业调研报告”的研究方法和操作框架。 问 AI：文章在收集行业数据时，用了哪些一手数据和二手数据？推荐一些靠谱的行业资料收集网站。 要求 AI：您想参考以上内容，写一份“XXX 行业调研报告”。让其作为“行业调研报告撰写专家”，帮您推荐 10 个“XXX 行业“信息网站和 5 个“XXX 行业”研究微信公众号，然后输出一份“XXX 行业调研报告”框架。 要求 AI：针对以上“XXX 行业调研报告”框架，丰富每一章节内容，每章内容字数大于 200 字。 以上 4 个步骤后，AI 会帮您写一个“XXX 行业调研报告”的初稿。接下来就可以根据您的需求，让 AI 进一步完善每一个章节的内容。然后结合自己的独特经验和知识，对文章内容进行润色和调整。 3. 注意事项：“有深度”这个事情，可以有两个路径： 自己对行业比较了解，整理深度洞察和见解。 一步一步深度咨询 AI，借助 AI 的海量知识，一边学习、一边研究、一边洞察总结。（通过借助 AI，可以加速我们的学习和研究能力） 操作示例：获取“kimi 对话原文”链接： 。欢迎与 JessieZTalk 交流，在 AIGC 的路上共同进步！
2024-10-16
想要了解AI的基础知识
以下是关于 AI 基础知识的介绍： 一、AI 背景知识 1. 基础理论：了解人工智能、机器学习、深度学习的定义及其之间的关系。 2. 历史发展：简要回顾 AI 的发展历程和重要里程碑。 二、数学基础 1. 统计学基础：熟悉均值、中位数、方差等统计概念。 2. 线性代数：了解向量、矩阵等线性代数基本概念。 3. 概率论：基础的概率论知识，如条件概率、贝叶斯定理。 三、算法和模型 1. 监督学习：了解常用算法，如线性回归、决策树、支持向量机（SVM）。 2. 无监督学习：熟悉聚类、降维等算法。 3. 强化学习：简介强化学习的基本概念。 四、评估和调优 1. 性能评估：了解如何评估模型性能，包括交叉验证、精确度、召回率等。 2. 模型调优：学习如何使用网格搜索等技术优化模型参数。 五、神经网络基础 1. 网络结构：理解神经网络的基本结构，包括前馈网络、卷积神经网络（CNN）、循环神经网络（RNN）。 2. 激活函数：了解常用的激活函数，如 ReLU、Sigmoid、Tanh。 六、学习建议 1. 了解 AI 基本概念：建议阅读「」部分，熟悉 AI 的术语和基础概念。了解什么是人工智能，它的主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅：在「」中，您将找到一系列为初学者设计的课程。这些课程将引导您了解生成式 AI 等基础知识，特别推荐李宏毅老师的课程。通过在线教育平台（如 Coursera、edX、Udacity）上的课程，您可以按照自己的节奏学习，并有机会获得证书。 3. 选择感兴趣的模块深入学习：AI 领域广泛（比如图像、音乐、视频等），您可以根据自己的兴趣选择特定的模块进行深入学习。建议您一定要掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试：理论学习之后，实践是巩固知识的关键，尝试使用各种产品做出您的作品。在知识库提供了很多大家实践后的作品、文章分享，欢迎您实践后的分享。 5. 体验 AI 产品：与现有的 AI 产品进行互动是学习 AI 的另一种有效方式。尝试使用如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人，了解它们的工作原理和交互方式。通过与这些 AI 产品的对话，您可以获得对 AI 在实际应用中表现的第一手体验，并激发您对 AI 潜力的认识。
2024-10-15
小白想了解AI相关知识，请提供合理化建议
以下是为小白提供的关于 AI 相关知识的合理化建议： 一、概念部分 1. 生成式 AI 生成的内容被称为 AIGC。 2. 相关技术名词： AI 即人工智能。 机器学习是指电脑通过找规律进行学习，包括监督学习、无监督学习、强化学习。 监督学习使用有标签的训练数据，目标是学习输入和输出之间的映射关系，包括分类和回归。 无监督学习的数据没有标签，算法自主发现规律，经典任务如聚类，例如让模型将一堆新闻文章根据主题或内容特征分成相似组。 强化学习从反馈中学习，以最大化奖励或最小化损失，类似训练小狗。 深度学习是一种参照人脑构建神经网络和神经元的方法（因层数多而称为深度），神经网络可用于监督学习、无监督学习、强化学习。 生成式 AI 能够生成文本、图片、音频、视频等内容形式。 LLM 是大语言模型。对于生成式 AI，生成图像的扩散模型不属于大语言模型；对于大语言模型，生成只是其中一个处理任务，如谷歌的 BERT 模型可用于语义理解（不擅长文本生成），像上下文理解、情感分析、文本分类。 二、技术里程碑 2017 年 6 月，谷歌团队发表论文《Attention is All You Need》，首次提出了 Transformer 模型，它完全基于自注意力机制（SelfAttention）处理序列数据，无需依赖循环神经网络（RNN）或卷积神经网络（CNN）。GPT 中 Transformer 是关键，且 Transformer 比 RNN 更适合处理文本的长距离依赖性。
2024-10-14
有了解AI视频以及学习AI视频制作比较好的资料吗
以下是一些学习 AI 视频制作的较好资料： 软件教程： 工作流教程： 学社精华： 3 月 24 日：【1.5 入门 AI 视频】专门整理的 AI 视频板块，包含多个工具教程，如 Dreamina、Pika、SVD、Pixverse 等。 AJ 分享了几个重要资源：
2024-10-11
帮助普通大众了解生成式AI，以满足对AI的在使用过程中的一般需求
生成式 AI 是一种能够为用户生成内容的人工智能，生成的内容可以是多模式的，包括文本、图像、音频和视频。当给出提示或请求时，它可以帮助完成诸如文档摘要、信息提取、代码生成、营销活动创建、虚拟协助和呼叫中心机器人等各种任务。 生成式 AI 从大量现有内容中学习，这个学习过程称为训练，其结果是创造“基础模型”，如为 Bard 等聊天机器人提供支持的 LLM 或大型语言模型。基础模型可用于生成内容并解决一般问题，还可以使用所在领域的新数据集进一步训练以解决特定问题，从而创建一个新模型。Google Cloud 提供了如 Vertex AI 等多种易于使用的工具，帮助在具有或不具有 AI 和机器学习背景的项目中使用生成式 AI。 在技术原理方面，生成式 AI 生成的内容叫做 AIGC。相关技术名词包括： 1. AI 即人工智能。 2. 机器学习是电脑找规律学习，包括监督学习、无监督学习、强化学习。 监督学习使用有标签的训练数据，目标是学习输入和输出之间的映射关系，包括分类和回归。 无监督学习的数据没有标签，算法自主发现规律，经典任务如聚类。 强化学习从反馈里学习，最大化奖励或最小化损失，类似训小狗。 3. 深度学习是一种参照人脑有神经网络和神经元的方法（因有很多层所以叫深度），神经网络可用于监督学习、无监督学习、强化学习。 4. 生成式 AI 可以生成文本、图片、音频、视频等内容形式。 5. LLM 是大语言模型。对于生成式 AI，生成图像的扩散模型不是大语言模型；对于大语言模型，生成只是其中一个处理任务，如谷歌的 BERT 模型，可用于语义理解（不擅长文本生成），如上下文理解、情感分析、文本分类。 2017 年 6 月，谷歌团队发表论文《Attention is All You Need》，首次提出了 Transformer 模型，它完全基于自注意力机制（SelfAttention）来处理序列数据，而不需要依赖于循环神经网络（RNN）或卷积神经网络（CNN）。Transformer 比 RNN 更适合处理文本的长距离依赖性。
2024-10-09
了解AI现在需要知道哪些概念
如果您想了解 AI ，以下是一些需要知道的概念： 1. AI 背景知识： 基础理论：了解人工智能、机器学习、深度学习的定义及其之间的关系。 历史发展：简要回顾 AI 的发展历程和重要里程碑。 2. 数学基础： 统计学基础：熟悉均值、中位数、方差等统计概念。 线性代数：了解向量、矩阵等线性代数基本概念。 概率论：基础的概率论知识，如条件概率、贝叶斯定理。 3. 算法和模型： 监督学习：了解常用算法，如线性回归、决策树、支持向量机（SVM）。 无监督学习：熟悉聚类、降维等算法。 强化学习：简介强化学习的基本概念。 4. 评估和调优： 性能评估：了解如何评估模型性能，包括交叉验证、精确度、召回率等。 模型调优：学习如何使用网格搜索等技术优化模型参数。 5. 神经网络基础： 网络结构：理解神经网络的基本结构，包括前馈网络、卷积神经网络（CNN）、循环神经网络（RNN）。 激活函数：了解常用的激活函数，如 ReLU、Sigmoid、Tanh。 对于新手学习 AI ，您可以： 1. 了解 AI 基本概念： 阅读「」部分，熟悉 AI 的术语和基础概念。了解什么是人工智能，它的主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。 浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅： 在「」中，找到一系列为初学者设计的课程。特别推荐李宏毅老师的课程。 通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 3. 选择感兴趣的模块深入学习： AI 领域广泛（比如图像、音乐、视频等），根据自己的兴趣选择特定的模块进行深入学习。 掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试： 理论学习之后，通过实践巩固知识，尝试使用各种产品做出作品。 在知识库提供了很多大家实践后的作品、文章分享，欢迎实践后的分享。 5. 体验 AI 产品： 与现有的 AI 产品进行互动，如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人，了解它们的工作原理和交互方式。 对于如何认识 AI ，您可以： 作为一个不具备理工科背景的文科生，把 AI 当成一个黑箱，只需要知道 AI 是某种模仿人类思维可以理解自然语言并输出自然语言的东西就可以。AI 的生态位就是一种似人而非人的存在。当您想让它实现愿望时，基于它的“非人”一面，您需要尽可能的通过语言文字（足够清晰的指令）压缩它的自由度，不仅要清晰的告诉它需要干什么、边界在哪里、目标是什么、实现路径方法是哪一条，最好还直接给到它所需的正确的知识。
2024-10-09
有没有RAG 基本架构的中文图示
以下是关于 RAG 基本架构的介绍： RAG 是当今大多数现代人工智能应用程序的标准架构。以 Sana 的企业搜索用例为例，其工作原理如下： 1. 应用程序加载和转换无结构文件（如 PDF、幻灯片、文本文件），跨越企业数据孤岛（如 Google Drive 和 Notion），通过数据预处理引擎（如 Unstructured）转换为 LLM 可查询格式。 2. 这些文件被“分块”成更小的文本块，作为向量嵌入并存储在数据库（如 Pinecone）中，以实现更精确的检索。 3. 当用户提出问题时，系统检索语义上最相关的上下文块，并将其折叠到“元提示”中，与检索到的信息一起馈送给 LLM。 4. LLM 从检索到的上下文中合成答复返回给用户。 RAG 的基本概念： RAG 是一种结合了检索和生成的技术，能让大模型在生成文本时利用额外的数据源，提高生成的质量和准确性。其基本流程为： 首先，给定用户输入（如问题或话题），RAG 从数据源中检索出相关文本片段（称为上下文）。 然后，将用户输入和检索到的上下文拼接成完整输入传递给大模型（如 GPT），输入通常包含提示，指导模型生成期望输出（如答案或摘要）。 最后，从大模型的输出中提取或格式化所需信息返回给用户。
2024-10-17
0基础中老年学习者必须知道的AI基本概念和知识 是哪几个
对于 0 基础的中老年学习者，以下是必须知道的 AI 基本概念和知识： 一、Python 基础 1. 基本语法：包括变量命名、缩进等规则。 2. 数据类型：如字符串、整数、浮点数、列表、元组、字典等。 3. 控制流：条件语句（if）、循环语句（for 和 while）控制程序执行流程。 4. 函数：定义和调用函数，理解参数和返回值，以及作用域和命名空间。 5. 模块和包：导入模块，使用包来扩展程序功能。 6. 面向对象编程（OOP）：类和对象的定义与实例化，属性和方法的定义与调用。 二、AI 背景知识 1. 基础理论：了解人工智能、机器学习、深度学习的定义及相互关系。 2. 历史发展：回顾 AI 的发展历程和重要里程碑。 三、数学基础 1. 统计学基础：熟悉均值、中位数、方差等统计概念。 2. 线性代数：了解向量、矩阵等基本概念。 3. 概率论：掌握基础的概率论知识，如条件概率、贝叶斯定理。 四、算法和模型 1. 监督学习：了解常用算法，如线性回归、决策树、支持向量机（SVM）。 2. 无监督学习：熟悉聚类、降维等算法。 3. 强化学习：了解其基本概念。 五、评估和调优 1. 性能评估：知道如何评估模型性能，如交叉验证、精确度、召回率等。 2. 模型调优：学习使用网格搜索等技术优化模型参数。 六、文件操作 1. 文件读写：学习打开文件、读取文件内容和写入文件。 2. 文件与路径操作：理解如何处理文件路径，列举目录下的文件。 七、异常处理 1. 理解异常：了解什么是异常以及在 Python 中的工作方式。 2. 异常处理：学会使用 try 和 except 语句处理程序错误。
2024-09-13
如何了解AI的基本概念，是否有词条清单
以下是帮助您了解 AI 基本概念的一些途径和内容： 阅读相关资料：建议阅读「」部分，熟悉 AI 的术语和基础概念，了解人工智能、机器学习、深度学习的定义及其之间的关系，以及 AI 的主要分支和它们之间的联系。 浏览入门文章：这些文章通常会介绍 AI 的历史、当前的应用和未来的发展趋势。 学习数学基础：包括统计学基础（熟悉均值、中位数、方差等统计概念）、线性代数（了解向量、矩阵等基本概念）、概率论（基础的概率论知识，如条件概率、贝叶斯定理）。 了解算法和模型：监督学习（如线性回归、决策树、支持向量机）、无监督学习（如聚类、降维）、强化学习（简介强化学习的基本概念）。 掌握评估和调优知识：如性能评估（包括交叉验证、精确度、召回率等）、模型调优（学习如何使用网格搜索等技术优化模型参数）。 您还可以通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。同时，AI 领域广泛，您可以根据自己的兴趣选择特定的模块（比如图像、音乐、视频等）进行深入学习。
2024-09-12
ai基本运行逻辑
AI 的基本运行逻辑包括以下方面： 大模型与语音技能 NLU 的差异：语音技能 NLU 是通过一系列规则、分词策略等训练而成，运作逻辑规律可观测，具有 ifelse 式逻辑性；大模型凭借海量数据在向量空间中学习知识的关联性形成，运作逻辑难以观测，脱离了 ifelse 的层面。 工作流中的应用： 代码相关：让大模型写代码，可将其输出的代码片段再输入回去让其检查准确性和结构规范性，若有两个 Agent 分别负责 Coding 和 Code Review，效果更佳。 工具利用：如 Kimi Chat 会在互联网上检索相关内容，基于检索结果总结分析并给出结论，其他工具为大模型在获取、处理、呈现信息上做额外补充。 任务规划：Agent 通过自行规划任务执行的工作流路径，面向简单或线性流程运行，例如先识别姿势，再利用相关模型合成新图像，最后进行语音合成输出等。
2024-09-07
大模型的基本工作原理
大模型的基本工作原理如下： 1. 对于 LLm（大语言模型），在回复时是一个字一个字地推理生成内容，就像输入法的输入联想逻辑。会根据输入的字推测下一个字，最初仅根据单个字推测存在不确定性，后来通过加入上下文来帮助模型理解下一个字。但大模型的学习数据规模海量，每次计算若带入全量数据，算力无法承受。 2. 以“我今天吃了狮子头和蔬菜”这句话为例，在 Transformer 中，由 attention 层对其加入更多信息补充，如“狮子头是一道菜”“今天是星期六”等，有些不重要的信息会被忽视。层与层之间，哪些信息补充、保留、传递，由模型自主学习。最终模型把海量数据以关系网形式“消化”并保留重要相关性。 3. 这些层就像人阅读文章时的连贯性注意力过程，像我们阅读理解时对输入内容消化吸收记忆，记住的不是点状知识，而是网状经验。 4. 词向量方面，大模型通过海量文档学习，把三维世界中的“词元”转化为 latent space 中的“意象”，如“杨柳”在 latent space 中的表达可能是。这种转换解决了将学习资料转化为 latent space 中的词向量的问题，提高了运算效率，并能表示词汇间的语义关系。 5. 自注意力机制解决了第二个问题，在机器训练中加入若干 attention 层，每个层都会对输入信息进行学习、理解和记忆。 总结起来，大模型以词向量和 Transformer 的模型学习海量知识，把知识作为向量空间中的关系网存储，接受输入时通过向量空间中的一系列匹配进行输出。
2024-09-06
ai的历史，基本术语，重要人物，方法和原理灯等
以下是关于 AI 的相关知识： AI 的历史： 最初，查尔斯·巴贝奇发明了计算机，用于按照一套明确定义的程序来对数字进行运算。现代计算机虽更先进，但仍遵循相同的受控计算理念。 基本术语： 您可以通过特定链接（https://ywh1bkansf.feishu.cn/wiki/PFXnwBTsEiGwGGk2QQFcdTWrnlb?table=tbltvr7KExCt7Jpw&view=vewjxk9tDu ）了解。 重要人物： 相关信息可参考（https://ywh1bkansf.feishu.cn/wiki/PFXnwBTsEiGwGGk2QQFcdTWrnlb?table=tblLtN12KuvP5reO&view=vewuvGBXhd ）。 方法和原理： 详情见（https://ywh1bkansf.feishu.cn/wiki/PFXnwBTsEiGwGGk2QQFcdTWrnlb?table=tblolGx2mprs1EQz&view=vewx5ROYtl ）。 对于新手学习 AI，建议： 1. 了解 AI 基本概念：阅读「」部分，熟悉术语和基础概念，了解其主要分支及联系，浏览入门文章。 2. 开始 AI 学习之旅：在「」中找到为初学者设计的课程，可通过在线教育平台按自己节奏学习，如 Coursera、edX、Udacity 等，特别推荐李宏毅老师的课程。 3. 选择感兴趣的模块深入学习：AI 领域广泛，比如图像、音乐、视频等，可根据兴趣选择特定模块深入学习。
2024-08-21